Mašīnmācība pēdējos gados ir ievērojami attīstījusies, īpaši attēlu atpazīšanas jomā. Tomēr, kā ar jebkuru tehnoloģiju, ir ierobežojumi un izaicinājumi, kas jārisina. Viena no šādām problēmām ir nejaušas saiknes un priekšnoteikumi, kas var tikt iebūvēti mašīnas izpratnē par pasauli.
Lai šo pārvarētu, pētnieki ir izmantojuši citu pieeju – ieliekot noteikumus sistēmā un lūdzot mašīnai izmantot savas valodas interpretācijas spējas, lai noteiktu, vai piemēri atbilst šiem noteikumiem vai nē. Šī jaunieveduma metode ir parādījusi ieilgušus rezultātus sarežģītas informācijas kategorizēšanā un klasificēšanā.
Piemēram, nesenā eksperimentā mašīnmācības algoritms parādīja izpratnes un nianses līmeni, interpretējot dažādas situācijas. Tas atzina, ka sieviete, nākot no sinagogas, varētu būt ebreja, un ka plakātu nostiepšana no Gazā turētiem izraēliešu varētu norādīt uz pamatotu pretrunību pret ebrejiem. Savukārt tas saprata, ka motivācijas uzbrukumam melnajai sievietei var nebūt vienādas ar tām, kas vērstas pret ebrejiem. Šie interpretācijas paraugi parāda generatīvās AI potenciālu saprast sarežģītas kontekstus.
Izietotās vienkāršās scenārijus, algoritmu pārbaudīja arī kompleksākos norādījumos. Tam tika dota stila un pārklājuma vadlīnijas no Transurmāķu Asociācijas, kā arī citi dokumenti par dezinformāciju, un tam tika lūgts novērtēt dezinformācijas un misformēšanas līmeni par trans jautājumiem reālos ziņu stāstos. Algoritms ne tikai analizēja informāciju, kas sniegta rakstos, bet arī identificēja kontekstiskus izlaupījumus. Tas demonstrē mašīnas spēju lasīt un interpretēt atbilstošos noteikumus.
Šis sprādziens generatīvajā AI rāda vairākas iespējas tās pielietojumam. Piemēram, to varētu izmantot, lai identificētu pārkāpumus noteiktos vadlīnijos, piemēram, Ņujorkas pilsētas Mājdzīvokļu iestādes noteikumos. Pareizi norādot potenciālas problēmas un kategorizējot tās atbilstoši attiecīgajam noteikumam, šī tehnoloģija varētu optimizēt atbilstības novērtēšanas procesu.
Secīgi, nekā vietā radīt zinātspējīgu mašīnu, šī pieeja koncentrējas uz generatīvā AI galveno spēju izmantošanu uzlabotai informācijas klasifikācijai un interpretācijai. Saprotot un risinot ierobežojumus un iebūvētās priekšnojamas mašīnmācības algoritmos, pētnieki atklāj šīs tehnoloģijas patieso potenciālu, lai pastiprinātu cilvēku lēmumu pieņemšanas procesus dažādās jomās.
Bieži uzdotie jautājumi (BUJ) par Generatīvo AI un informācijas klasifikāciju:
1. Kas ir generatīvā AI?
Generatīvā AI atsaucas uz mašīnmācības algoritmiem, kuri ir apmācīti radīt jaunu un oriģinālu saturu, piemēram, attēlus, mūziku vai tekstu, balstoties uz raksturīgajiem un piemēriem no esošajiem datiem.
2. Kādi ir ierobežojumi un izaicinājumi mašīnmācībā?
Tāpat kā jebkurā tehnoloģijā, mašīnmācībai ir savi ierobežojumi. Viena problēma ir potenciālās nejaušas saiknes un priekšnoteikumi, kas var tikt iebūvēti mašīnas izpratnē par pasauli, kas var ietekmēt tās spēju precīzi klasificēt un interpretēt informāciju.
3. Kā pētnieki risina iebūves priekšnoteikumus mašīnmācības algoritmos?
Pētnieki izmanto jaunieveduma pieeju, ievietojot noteikumus sistēmā un lūdzot mašīnai interpretēt piemērus, balstoties uz šiem noteikumiem. Izmantojot valodas interpretācijas spējas, mašīnmācības algoritmi var noteikt, vai piemēri atbilst priekšnoteiktajiem noteikumiem vai nē, palīdzot pārvarēt priekšnoteikumus un uzlabot klasifikācijas precizitāti.
4. Kādi ir daži piemēri par mašīnas spēju saprast sarežģītus kontekstus?
Nesenā eksperimentā mašīnmācības algoritms parādīja savu saprašanu un nianses, pareizi interpretējot dažādus scenārijus. Piemēram, tas atzina, ka sieviete, nākot no sinagogas, varētu būt ebreja, un ka plakātu nostiepšana ar izraēliešu tēliem Gazā varētu norādīt uz pretrunīgu attieksmi pret ebrejiem. Tas demonstrē generatīvās AI potenciālu saprast sarežģītus kontekstus.
5. Kā varētu tikt pielietota generatīvā AI reālo pasaulē?
Generatīvajai AI ir pārpilnīga potenciāla pielietojuma iespējas. Piemēram, to varētu izmantot, lai identificētu pārkāpumus specifiskos vadlīnijā, piemēram, dzīvojamo telpu noteikumus, pareizi brīdinot par potenciālajām problēmām un kategorizējot tās, pamatojoties uz attiecīgo noteikumu. Šai tehnoloģijai ir potenciāls optimizēt atbilstības novērtēšanas procesus.
6. Kā algoritms novērtē dezinformāciju un laulību ziņās?
Algoritmam tika dota stila un pārklājuma vadlīnijas, kā arī dokumenti par dezinformāciju, un tika lūgts novērtēt dezinformācijas un misfrēmēšana līmeni par trans jautājumiem reālos ziņu stāstos. Tas ne tikai analizēja informāciju, kas sniegta rakstos, bet arī identificēja kontekstiskos izlaupījumus, demonstrējot spēju lasīt un interpretēt dotos noteikumus.
Definīcijas:
– Mašīnmācība: Mākslīgā intelekta filiāle, kas ļauj datoriem mācīties un veikt prognozes vai lēmumus, neesot ekspliciti programmētiem.
– Attēlu atpazīšana: Procesu, kā identificēt un klasificēt objektus vai modeļus digitālajos attēlos vai fotogrāfijās, izmantojot mašīnmācības algoritmus.
– Priekšnoteikumi: Mašīnmācības kontekstā priekšnoteikumi atsaucas uz nejaušiem priekšnieciskumiem vai pārākām aizspriedumiem, kas var tikt iebūvēti algoritmos, kas noved pie netaisnīgas vai neprecīzas lēmumu pieņemšanas.
– Kontekstiskie izlaupījumi: Atsaucās uz informāciju vai detaļām, kas trūkst vai netiek minēti dotajā kontekstā vai situācijā.
Ieteicamie saistītie saites:
– nature.com/subjects/machine-learning
– technologyreview.com/topic/machine-learning/
– forbes.com/sites/forbestechcouncil/2021/07/20/the-limitations-of-machine-learning/
The source of the article is from the blog anexartiti.gr